論文の概要: How to Ask the AI: A User Perspective Survey for Large Language Model Prompting

• arxiv url: http://arxiv.org/abs/2608.07494v1
• Date: Wed, 17 Jun 2026 05:51:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:55.164676
• Title: How to Ask the AI: A User Perspective Survey for Large Language Model Prompting
• Title（参考訳）: AIに質問する方法: 大規模言語モデルのプロンプティングに関するユーザ視点調査
• Abstract要約: ChatGPTとDeepSeekはLarge Language Models (LLMs)を利用している。 この調査では、ユーザ中心の視点から、プロンプトの原則、分類、組織について調査する。
• 参考スコア（独自算出の注目度）: 49.812851629873116
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: AI tools like ChatGPT and DeepSeek, powered by Large Language Models (LLMs), allow users to obtain instant and effective content responses simply by typing requests, such as ``plan a three-day Vienna trip'', ``solve the attached mathematical problem'', ``draft an email to inquire review progress'', etc., which are also known as LLM prompts. Crafting clear and well-structured prompts leads to more appropriate LLM feedback, which effectively bridges human-LLM interaction. Although prompting appears accessible to non-expert users, precisely organizing effective prompts is a highly systematic and skillful process, presenting potential challenges even for experienced users. This survey explores the principles, taxonomy, and organization of prompts from a user-centered perspective. Differing from the existing surveys that primarily focus on technical principles and application scenarios of LLMs, this paper provides actionable guidelines for formulating effective LLM prompts across diverse real-world tasks and specifically contributes by: 1) developing an intuitive evaluation strategy for prompt efficacy, 2) providing prompting workflow demonstrations on representative applications, and 3) maintaining a dynamically updated open-source project to ensure the core takeaways remain up-to-date. These measures lower the threshold for users to correctly understand and craft prompts that align with evolving application scenarios. This work will be maintained as a living GitHub project \href{https://github.com/Yunfan-Zhang/TAI_Guideline-Table}{\textcolor{blue}{here}}.
• Abstract（参考訳）: 大規模言語モデル(LLMs)をベースとするChatGPTやDeepSeekといったAIツールは、"`plan a three-day Vienna trip''、'`solve the attached mathematical problem''、' ``draft an email to inquire review progress'''などのリクエストをタイプするだけで、即時かつ効果的なコンテンツレスポンスを得ることができる。 明確で構造化されたプロンプトを作れば、より適切なLCMフィードバックが得られ、人間とLLMの相互作用を効果的に橋渡しする。 プロンプトは専門家でないユーザーにはアクセス可能であるように見えるが、効果的なプロンプトを正確に整理することは非常に体系的で熟練したプロセスであり、経験豊富なユーザーにとっても潜在的な課題を提示している。 この調査では、ユーザ中心の視点から、プロンプトの原則、分類、組織について調査する。 LLMの技術的な原則や応用シナリオに主に焦点をあてた既存の調査と異なり、本論文は様々な現実世界のタスクにまたがる効果的なLLMプロンプトを定式化するための実用的なガイドラインを提供する。 1)即効性のための直感的な評価戦略の開発 2 代表的アプリケーションのワークフローのデモンストレーションの促進及び 3) コアテイクアウトが最新であることを保証するために、動的に更新されたオープンソースプロジェクトを維持する。 これらの測定により、ユーザが正しく理解し、進化するアプリケーションのシナリオに合わせてプロンプトを作成するためのしきい値が低くなります。 この作業は、生きたGitHubプロジェクトである \href{https://github.com/Yunfan-Zhang/TAI_Guideline-Table}{\textcolor{blue}{here}} として維持される。

関連論文リスト

• User Reviews as a Source for Usability Requirements: A Precursor Study on Using Large Language Models [1.6498033620778052]
  本稿では,3種類のアプリのユーザビリティ関連側面を含む300のユーザレビューのデータセットを提供する。 また、ユーザレビューの理解におけるLLMのパフォーマンスが、人間のレーダのパフォーマンスに匹敵するかどうかも分析する。
  論文  参考訳（メタデータ） (2026-05-12T19:05:04Z)
• Know Me, Respond to Me: Benchmarking LLMs for Dynamic User Profiling and Personalized Responses at Scale [53.059480071818136]
  大規模言語モデル(LLM)は、幅広いタスクでユーザのためのパーソナライズされたアシスタントとして登場した。 PERSONAMEMは180以上のユーザ-LLMインタラクション履歴を持つキュレートされたユーザプロファイルを備えている。 LLMチャットボットのユーザプロファイルの現在状況に応じて,最も適切な応答を識別する能力を評価する。
  論文  参考訳（メタデータ） (2025-04-19T08:16:10Z)
• Use Me Wisely: AI-Driven Assessment for LLM Prompting Skills Development [5.559706293891474]
  大規模言語モデル(LLM)を利用したチャットボットは、様々な領域で普及し、様々なタスクやプロセスをサポートしている。 しかし、プロンプトは非常にタスクに依存し、ドメインに依存しており、ジェネリックアプローチの有効性を制限している。 本研究では, アドホックガイドラインと最小限の注釈付きプロンプトサンプルを用いて, LLM を用いた学習評価を促進できるかどうかを検討する。
  論文  参考訳（メタデータ） (2025-03-04T11:56:33Z)
• UQABench: Evaluating User Embedding for Prompting LLMs in Personalized Question Answering [39.79275025010785]
  nameは、パーソナライズのための大きな言語モデルを促進するために、ユーザ埋め込みの有効性を評価するために設計されたベンチマークである。 ユーザ埋め込みをモデル化するための様々な最先端手法について広範な実験を行った。
  論文  参考訳（メタデータ） (2025-02-26T14:34:00Z)
• Efficient Prompting Methods for Large Language Models: A Survey [50.82812214830023]
  効率的なプロンプティング手法は幅広い注目を集めている。 本稿では,異なるプロンプト成分に対する自動プロンプトエンジニアリングと連続空間および離散空間におけるプロンプト圧縮について論じる。
  論文  参考訳（メタデータ） (2024-04-01T12:19:08Z)
• kNN-ICL: Compositional Task-Oriented Parsing Generalization with Nearest Neighbor In-Context Learning [50.40636157214161]
  Task-Oriented Parsing (TOP)により、会話アシスタントは自然言語で表現されたユーザーコマンドを解釈できる。 LLMは、自然言語のプロンプトに基づいて、コンピュータプログラムにおいて印象的な性能を達成した。 本稿では,LLMのセマンティック解析機能を活用することに焦点を当てる。
  論文  参考訳（メタデータ） (2023-12-17T17:26:50Z)
• Eliciting Human Preferences with Language Models [56.68637202313052]
  言語モデル(LM)は、ラベル付き例や自然言語のプロンプトを使用してターゲットタスクを実行するように指示することができる。 タスク仕様プロセスのガイドには*LM自身を使うことを提案します。 我々は、メール検証、コンテンツレコメンデーション、道徳的推論の3つの領域でGATEを研究している。
  論文  参考訳（メタデータ） (2023-10-17T21:11:21Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。